source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-303.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.071.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
80 58 69 61 54 58 49 24 22 22 36 33 43 46 37 40
17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 33
46 33 52 77 45 31 38 45 29 61 82 65 53 42 33 51
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
55 81 47 56 34 42 40 38 33 26 17 31 32 17 14 10
50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65
8 49 64 52 32 31 30 36 29 33 29 33 35 29 38 27
66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81
59 34 39 45 44 47 31 43 32 30 60 68 41 48 72 31
82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97
48 1 39 43 32 52 42 50 42 57 31 35 35 36 18 27
98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113
18 23 23 38 68 59 40 47 63 44 63 52 33 50 59 57
114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129
39 55 38 33 59 20 47 40 42 73 48 51 75 67 84 47
130 131 132 134 135 136 137 138 139 140 141 142 143 144 145 146
50 49 47 63 67 77 81 55 73 43 37 37 30 40 31 17
147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162
18 44 31 14 49 56 59 25 45 54 35 73 60 47 53 49
163 164 165 166 167 168 170 171 172 173 174 175 176 177 178 179
53 55 60 43 71 58 62 30 53 25 58 62 81 55 51 34
180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195
32 26 39 43 16 33 33 22 39 43 37 28 46 20 14 22
196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211
29 26 40 35 26 21 44 33 52 58 56 62 52 46 57 54
213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228
33 43 44 45 21 30 38 51 58 68 60 48 52 46 78 46
229 230 231 232 233 235 236 237 238 239 240 241 242 243 244 245
74 34 36 39 57 39 43 22 36 49 40 47 37 25 30 27
246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 262
42 38 40 23 19 56 60 77 93 74 90 78 61 35 53 55
263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278
50 20 32 30 30 29 36 37 46 32 46 33 27 50 44 34
279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294
27 40 20 46 48 48 44 20 30 32 34 28 33 23 31 45
295 296 297 298 299 300 301 303 304 305 306 307 308 310 311 312
35 33 29 49 14 31 101 69 79 99 48 27 49 48 50 46
313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328
29 28 22 35 41 15 30 36 39 34 33 50 39 67 33 32
329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344
22 44 40 1 50 51 48 51 41 28 29 34 19 48 30 34
345 346 347 348 349 350 351 352 353 354 355 358 359 360 361 362
36 41 44 12 49 34 83 31 20 30 41 51 42 40 56 52
363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378
33 48 36 41 38 22 43 39 45 36 37 30 56 48 43 32
379 380 381 382 383 385 386 387 388 389 390 391 392 393 394 395
43 48 35 51 20 27 50 37 46 42 46 37 43 30 42 54
396 397 398 399 400 401 402 404 405 406 407 408 409 410 411 412
58 24 17 18 26 32 28 8 32 38 59 42 36 55 54 31
413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428
35 44 34 14 48 31 38 35 36 41 47 39 49 31 28 41
429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444
39 45 62 33 43 34 6 39 37 38 36 36 51 29 37 36
445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460
36 31 7 25 53 27 65 75 38 45 43 37 38 62 37 44
461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476
34 26 28 36 26 56 34 26 19 34 31 48 56 43 36 46
477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492
33 38 48 34 30 31 70 59 40 33 39 36 41 48 47 50
493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508
32 53 27 40 23 30 38 30 47 39 48 66 80 62 38 56
509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524
29 56 30 44 32 33 43 62 45 35 31 10 26 29 31 33
525 526 528 529 530 531 532 533 534 535 536 537 538 539 540 541
31 28 29 15 18 34 52 56 16 39 32 32 43 39 46 51
542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557
41 46 40 30 20 27 50 30 16 64 34 22 42 66 50 40
558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573
31 42 52 29 30 27 43 49 41 53 57 27 9 32 22 21
574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589
27 25 46 20 37 36 44 26 45 41 39 37 43 16 34 50
590 591 592 593 594 595 596 597 599 600 601 602 603 604 605 606
50 45 37 41 41 24 39 40 32 13 27 45 31 33 35 15
607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622
38 47 32 38 30 38 32 32 49 38 30 24 19 26 24 31
623 624 626 627 628 629 630 631 632 633 634 635 636 637 638 639
28 28 25 51 50 39 32 40 40 40 29 35 30 19 36 46
640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655
39 40 42 50 38 34 21 26 23 20 20 34 23 35 34 36
656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671
38 33 33 53 44 16 24 39 15 49 34 32 20 35 27 39
672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687
24 23 21 39 30 41 41 43 56 45 42 38 50 30 21 19
688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703
35 35 34 28 32 54 37 38 19 28 29 22 37 19 27 38
704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719
35 49 40 33 64 26 25 45 31 64 21 40 36 26 32 39
720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735
24 26 18 10 18 22 37 36 45 58 40 66 44 71 34 22
736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751
33 26 28 24 22 37 44 41 29 50 38 34 24 30 35 33
752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767
30 46 38 14 33 40 55 23 29 23 49 6 53 37 25 43
768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783
58 27 28 23 21 11 28 15 22 33 65 68 43 58 49 51
784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799
34 38 14 35 48 38 31 30 38 29 65 28 44 43 22 46
800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815
41 51 73 53 50 29 18 27 37 41 40 39 38 25 38 27
816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831
29 47 42 39 26 16 8 21 19 35 39 43 31 34 31 20
832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847
32 36 22 25 39 50 38 48 43 46 51 44 27 46 43 55
848 849 850 851 852 853 854 855 856 858 859 860 861 862 863 864
32 38 53 43 31 39 24 47 31 44 43 29 58 54 46 39
865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880
45 24 53 30 39 33 30 24 25 27 35 39 56 42 44 39
881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896
38 43 45 31 36 17 16 39 38 44 39 51 31 24 50 22
897 898 899 900 901 902 903 904 905 906 907 908 910 911 912 913
40 49 40 30 35 39 55 57 26 18 34 30 26 47 39 49
914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929
41 31 34 27 28 22 25 28 23 32 23 25 43 43 57 32
930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945
47 38 45 40 43 49 42 39 45 39 50 57 38 49 53 59
946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961
28 33 37 41 36 36 31 83 36 57 17 14 47 65 48 32
962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977
18 30 31 51 22 17 18 20 24 33 16 42 24 27 16 33
978 979 980 981 982 983 984 985 986 988 989 990 991 992 993 994
31 38 15 40 37 58 34 26 32 69 53 45 47 79 47 56
995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010
60 57 45 47 30 38 29 32 25 70 27 35 71 30 24 44
1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026
53 53 45 38 41 28 31 25 21 19 41 41 41 33 14 27
1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042
5 51 26 16 38 38 44 44 38 24 46 57 51 46 31 45
1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1057 1058 1059
50 63 57 56 31 41 23 35 66 78 79 60 12 21 77 88
1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075
23 71 53 35 51 40 37 20 29 30 38 49 26 40 38 35
1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091
41 33 33 35 30 43 49 49 37 50 47 30 38 31 45 30
1092 1093 1094 1095 1096 1097 1098 1099 1100 1104 1105 1106 1108 1109 1110 1111
39 32 49 36 35 55 35 32 26 28 68 64 65 45 84 40
1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127
25 37 40 45 46 37 27 32 36 35 28 34 28 42 36 16
1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143
24 13 41 67 38 61 50 53 31 57 35 18 52 43 51 47
1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1160 1161
52 42 49 45 42 34 26 27 47 41 6 32 38 56 25 59
1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177
49 31 43 23 22 28 35 55 53 30 32 31 41 30 27 27
1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193
43 20 13 28 20 26 48 57 61 11 47 30 22 31 25 49
1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1207 1208 1209 1210
37 40 45 24 40 38 38 45 79 46 19 88 62 55 19 46
1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226
26 43 34 36 38 31 22 49 52 48 45 35 45 50 54 43
1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242
28 41 31 35 41 63 40 49 40 29 56 24 38 62 51 37
1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1260
28 41 50 53 61 37 37 44 45 54 59 50 37 20 36 68
1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276
49 42 26 36 56 40 42 49 51 42 30 32 45 59 39 43
1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292
28 25 36 32 27 37 28 26 19 15 21 44 44 71 31 37
1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308
52 37 56 63 62 38 51 52 79 67 55 62 47 33 23 92
1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324
59 49 44 27 28 41 49 27 33 43 48 39 32 26 47 56
1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340
44 44 45 39 50 43 33 43 25 13 23 31 46 48 21 21
1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356
49 48 36 46 43 62 30 39 56 55 48 69 80 43 59 46
1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372
71 37 25 37 58 49 20 26 50 29 50 50 48 45 28 33
1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388
45 51 63 54 38 41 56 55 32 30 19 36 15 25 42 29
1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404
48 26 60 55 54 5 35 60 52 38 36 51 82 48 81 52
1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420
44 29 57 68 35 1 24 31 28 34 35 31 50 29 14 41
1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436
23 39 41 62 55 33 59 54 32 34 25 29 27 30 24 34
1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452
43 34 32 33 44 34 33 27 32 48 34 39 57 41 40 70
1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468
55 60 57 49 53 46 56 36 54 28 33 44 39 38 48 60
1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484
28 27 30 31 53 33 33 45 33 57 35 55 23 34 20 49
1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500
16 9 54 49 35 57 36 43 42 50 53 24 58 35 49 73
1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519
78 32 38 43 54 53 38 48 30 37 39 49 33 46 32 25
1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535
33 40 31 48 47 22 40 43 41 42 30 12 26 17 41 37
1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551
41 30 39 31 54 40 40 47 47 27 38 41 42 53 55 39
1552 1553 1559 1560 1561 1562 1563 1564 1565 1566 1567 1568 1569 1570 1571 1572
47 42 31 43 35 52 63 27 7 40 32 42 39 27 37 47
1573 1574 1575 1576 1577 1578 1579 1580 1581 1582 1583 1584 1585 1586 1587 1588
57 29 58 46 55 32 28 30 16 35 25 39 38 41 10 49
1589 1590 1591 1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604
34 58 53 38 42 40 39 42 46 51 52 67 53 64 65 60
1605 1606 1607 1609 1610 1611 1612 1613 1614 1615 1616 1617 1618 1619 1620 1621
38 29 25 44 40 34 36 27 35 37 25 23 36 57 29 28
1622 1623 1624 1625 1626 1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637
55 14 51 65 59 64 55 31 27 27 26 27 39 28 27 6
1638 1639 1640 1641 1642 1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653
46 58 54 43 48 48 49 60 46 38 62 41 20 59 63 55
1654 1655 1656 1657 1658 1660 1661 1662 1663 1664 1665 1666 1667 1668 1669 1670
41 47 51 49 29 32 31 36 43 56 53 44 23 30 31 31
1671 1672 1673 1674 1675 1676 1677 1678 1679 1680 1681 1682 1683 1684 1685 1686
23 24 37 55 48 37 61 55 45 35 57 44 32 45 48 31
1687 1688 1689 1690 1691 1692 1693 1694 1695 1696 1697 1698 1699 1700 1701 1702
37 19 10 41 53 29 23 56 43 47 37 45 41 35 78 26
1703 1704 1705 1706 1707 1708 1710 1711 1712 1713 1714 1715 1716 1717 1718 1719
67 42 9 54 49 45 46 48 32 33 36 36 71 22 25 29
1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730 1731 1732 1733 1734 1735
49 38 41 49 42 62 49 43 15 15 37 43 29 51 39 40
1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746 1747 1748 1749 1750 1751
30 24 41 31 44 49 48 47 51 56 43 43 38 43 48 81
1752 1753 1754 1755 1756 1757 1758 1760 1761 1762 1763 1764 1765 1766 1767 1768
20 18 62 40 48 47 21 63 56 57 40 23 68 47 88 33
1769 1770 1771 1772 1773 1774 1775 1776 1777 1778 1779 1780 1781 1782 1783 1784
14 31 36 40 47 42 21 44 57 56 23 25 60 52 30 39
1785 1786 1787 1788 1789 1790 1791 1792 1793 1794 1795 1796 1797 1798 1799 1800
55 25 19 19 30 15 41 43 38 37 42 46 44 39 24 14
1801 1802 1803 1804 1805 1806 1807 1808 1810 1811 1812 1813 1814 1815 1816 1817
23 22 23 91 22 48 50 29 53 47 27 37 48 51 43 65
1818 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1831 1832 1833 1834
32 16 45 37 15 27 33 37 42 58 48 40 58 36 58 37
1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849 1850
41 28 39 36 28 6 31 25 28 28 46 39 36 34 42 35
1851 1852 1853 1854 1855 1856 1857 1858 1859 1861 1862 1863 1864 1865 1866 1867
66 29 30 42 66 50 60 21 52 48 36 31 35 34 30 39
1868 1869 1870 1871 1872 1873 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883
41 25 22 23 36 39 47 32 59 68 56 61 27 67 43 42
1884 1885 1886 1887 1888 1889 1890 1891 1892 1893 1894 1895 1896 1897 1900 1901
50 42 34 43 31 32 38 24 23 28 52 41 33 46 21 52
1902 1903 1904 1905 1906 1907 1908 1909 1911 1912 1913 1914 1915 1916 1917 1918
32 39 36 61 44 61 30 44 29 60 58 49 26 36 33 30
1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934
20 30 15 39 60 27 37 80 94 68 32 31 42 34 36 33
1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1948 1949 1950 1951
44 18 31 34 24 27 28 27 30 30 34 28 51 45 36 79
1952 1953 1954 1955 1956 1958 1959 1961 1962 1963 1964 1965 1966 1967 1968 1969
60 27 50 52 51 69 59 37 65 44 43 47 35 39 33 33
1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985
36 31 32 35 50 40 45 26 47 56 34 20 24 46 36 33
1986 1987 1988 1989 1990 1991 1992 1993 1997 1998 2000 2001 2002 2003 2004 2005
26 43 34 37 30 18 18 17 53 60 34 72 64 49 57 41
2006 2008 2009 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
48 68 35 29 21 27 24 50 35 30 33 42 29 35 38 44
2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039
47 41 47 50 77 46 48 15 41 56 43 47 30 48 31 32
2040 2041 2042 2043 2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055
21 15 15 20 32 38 50 9 32 44 50 53 59 40 45 49
2056 2057 2058 2059 2061 2062 2063 2064 2065 2066 2067 2068 2069 2070 2071 2072
21 45 57 20 18 28 39 32 46 36 39 31 27 45 33 38
2073 2074 2075 2076 2077 2078 2079 2080 2081 2082 2083 2084 2085 2086 2087 2088
42 41 64 63 67 58 37 45 27 43 44 26 22 31 47 30
2089 2090 2091 2092 2093 2094 2095 2096 2097 2098 2099 2100 2102 2103 2104 2105
17 21 17 13 15 25 30 32 42 58 49 40 23 30 43 29
2106 2107 2108 2110 2111 2112 2113 2114 2115 2116 2117 2118 2119 2120 2121 2122
38 15 50 30 36 34 26 35 43 46 36 65 45 10 59 46
2123 2124 2125 2126 2127 2128 2129 2130 2131 2132 2133 2134 2135 2136 2137 2138
49 73 75 40 62 55 55 33 29 30 29 34 38 30 42 19
2139 2140 2141 2142 2143 2144 2145 2146 2147 2148 2149 2150 2151 2154 2155 2156
23 16 16 17 20 31 30 24 17 54 57 27 32 37 27 33
2157 2158 2159 2161 2162 2163 2164 2165 2166 2167 2168 2169 2170 2171 2172 2173
41 31 43 41 40 27 29 46 55 30 38 34 29 36 34 45
2174 2175 2176 2177 2178 2179 2180 2181 2182 2183 2184 2185 2186 2187 2188 2189
48 53 59 46 38 37 58 38 57 27 53 39 38 34 41 44
2190 2191 2192 2193 2194 2195 2196 2201 2202 2204 2205 2206 2207 2208 2210 2211
25 34 12 17 30 47 59 86 23 22 32 29 42 18 21 29
2212 2213 2214 2215 2216 2217 2218 2219 2220 2221 2222 2224 2225 2226 2227 2228
26 37 66 33 54 41 42 33 21 41 17 56 32 79 49 57
2229 2230 2231 2232 2233 2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244
47 31 46 39 42 38 47 33 41 31 21 25 20 24 36 37
2245 2247 2248 2249 2250 2251 2252 2253 2255 2256 2257 2258 2260 2261 2262 2263
59 33 50 58 60 82 33 26 26 19 34 9 15 26 38 23
2264 2265 2266 2267 2268 2269 2270 2271 2272 2273 2275 2276 2277 2278 2279 2280
43 30 23 19 40 51 62 57 44 26 47 39 46 19 52 51
2281 2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2297
39 52 36 37 38 26 34 25 20 30 33 28 50 40 61 28
2298 2299 2300 2301 2302 2303 2304 2305 2306 2307 2309 2310 2311 2312 2313 2314
33 46 89 73 36 19 16 15 21 30 25 20 31 33 48 57
2315 2316 2317 2318 2319 2320 2321 2322 2323 2324 2329 2330 2331 2332 2334 2335
38 50 75 66 66 53 45 19 50 1 38 48 48 37 16 39
2336 2337 2338 2339 2340 2341 2342 2343 2344 2346 2347 2348 2349 2350 2351 2352
34 20 13 28 31 63 42 38 27 9 27 27 62 88 48 47
2353 2354 2355 2356 2357 2359 2360 2361 2362 2363 2364 2365 2366 2367 2368 2369
36 13 24 13 16 29 27 41 50 23 33 36 44 47 45 39
2370 2371 2372 2373 2374 2375 2376 2377 2378 2380 2381 2383 2384 2385 2386 2387
40 49 30 38 51 28 48 22 59 47 45 49 41 43 13 23
2388 2389 2390 2391 2392 2393 2394 2395 2396 2398 2399 2400 2401 2402 2403 2404
17 27 18 41 41 60 42 43 22 16 31 79 44 39 28 32
2405 2406 2408 2409 2410 2411 2412 2413 2414 2415 2416 2417 2418 2419 2420 2421
34 22 37 38 39 35 36 54 27 50 44 44 41 61 34 20
2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432 2433 2434 2435 2436 2437
53 36 44 26 35 34 2 53 14 44 37 56 35 41 38 43
2439 2440 2442 2443 2445 2446 2447 2448 2449 2450 2451 2452 2453 2454 2455 2456
61 35 35 29 38 29 10 70 72 67 24 32 27 41 34 15
2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472
9 30 28 32 26 32 24 33 26 36 29 29 32 26 29 27
2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486 2487 2488
34 32 21 37 30 43 48 47 51 27 34 83 30 22 45 40
2490 2491 2492 2493 2494 2495 2496 2498 2499 2500
86 43 48 28 30 27 43 78 95 69
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2410 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("tmax", "tmin", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)